Exercise5 : Proximity Analysis

Python
Code
Geopandas
Author

Jinwon Lee

Published

April 29, 2023

Kaggle Geospatial Analysis Exercise 5

이 노트북은 Kaggle Geospatial Analysis의 Exercise 입니다. 이 링크로 튜토리얼을 볼 수 있습니다.

소개

위기 대응팀의 일원으로 뉴욕 시에서 발생한 충돌 사고에 대해 병원들이 어떻게 대응하고 있는지 파악해봅시다.


import warnings
warnings.filterwarnings(action = 'ignore')

import math
import geopandas as gpd
import pandas as pd
from shapely.geometry import MultiPolygon

import folium
from folium import Choropleth, Marker
from folium.plugins import HeatMap, MarkerCluster

embed_map() 함수를 사용해 지도를 시각화해봅시다.

def embed_map(m, file_name) :
    from IPython.display import IFrame
    m.save(file_name)
    return IFrame(file_name, width = '100%', height = '500px')

1) 충돌 데이터 시각화

다음 셀을 실행하여 2013~2018년 주요 자동차 충돌을 추적하는 collisions GeoDataFrame을 로드해보세요.

collisions = gpd.read_file('./geospatial-learn-course-data/NYPD_Motor_Vehicle_Collisions/NYPD_Motor_Vehicle_Collisions/NYPD_Motor_Vehicle_Collisions.shp')
collisions.head()
DATE TIME BOROUGH ZIP CODE LATITUDE LONGITUDE LOCATION ON STREET CROSS STRE OFF STREET ... CONTRIBU_2 CONTRIBU_3 CONTRIBU_4 UNIQUE KEY VEHICLE TY VEHICLE _1 VEHICLE _2 VEHICLE _3 VEHICLE _4 geometry
0 07/30/2019 0:00 BRONX 10464 40.841100 -73.784960 (40.8411, -73.78496) None None 121 PILOT STREET ... Unspecified None None 4180045 Sedan Station Wagon/Sport Utility Vehicle Station Wagon/Sport Utility Vehicle None None POINT (1043750.211 245785.815)
1 07/30/2019 0:10 QUEENS 11423 40.710827 -73.770660 (40.710827, -73.77066) JAMAICA AVENUE 188 STREET None ... None None None 4180007 Sedan Sedan None None None POINT (1047831.185 198333.171)
2 07/30/2019 0:25 None None 40.880318 -73.841286 (40.880318, -73.841286) BOSTON ROAD None None ... None None None 4179575 Sedan Station Wagon/Sport Utility Vehicle None None None POINT (1028139.293 260041.178)
3 07/30/2019 0:35 MANHATTAN 10036 40.756744 -73.984590 (40.756744, -73.98459) None None 155 WEST 44 STREET ... None None None 4179544 Box Truck Station Wagon/Sport Utility Vehicle None None None POINT (988519.261 214979.320)
4 07/30/2019 10:00 BROOKLYN 11223 40.600090 -73.965910 (40.60009, -73.96591) AVENUE T OCEAN PARKWAY None ... None None None 4180660 Station Wagon/Sport Utility Vehicle Bike None None None POINT (993716.669 157907.212)

5 rows × 30 columns

LATITUDE와 LONGITUDE 열을 사용하여 대화형 지도를 만들어 충돌 데이터를 시각화해보세요.

어떤 유형의 지도가 가장 효과적이라고 생각하시나요?

m_1 = folium.Map(location = [40.7, -74], zoom_start = 11) 

HeatMap(data = collisions[['LATITUDE', 'LONGITUDE']], radius = 9).add_to(m_1)
    
m_1 # embed_map(m_1, 'q_1.html')
Make this Notebook Trusted to load map: File -> Trust Notebook

2) 병원의 서비스 범위를 이해

다음 셀을 실행하여 병원 데이터를 로드해보세요.

hospitals = gpd.read_file('./geospatial-learn-course-data/nyu_2451_34494/nyu_2451_34494/nyu_2451_34494.shp')
hospitals.head()
id name address zip factype facname capacity capname bcode xcoord ycoord latitude longitude geometry
0 317000001H1178 BRONX-LEBANON HOSPITAL CENTER - CONCOURSE DIVI... 1650 Grand Concourse 10457 3102 Hospital 415 Beds 36005 1008872.0 246596.0 40.843490 -73.911010 POINT (1008872.000 246596.000)
1 317000001H1164 BRONX-LEBANON HOSPITAL CENTER - FULTON DIVISION 1276 Fulton Ave 10456 3102 Hospital 164 Beds 36005 1011044.0 242204.0 40.831429 -73.903178 POINT (1011044.000 242204.000)
2 317000011H1175 CALVARY HOSPITAL INC 1740-70 Eastchester Rd 10461 3102 Hospital 225 Beds 36005 1027505.0 248287.0 40.848060 -73.843656 POINT (1027505.000 248287.000)
3 317000002H1165 JACOBI MEDICAL CENTER 1400 Pelham Pkwy 10461 3102 Hospital 457 Beds 36005 1027042.0 251065.0 40.855687 -73.845311 POINT (1027042.000 251065.000)
4 317000008H1172 LINCOLN MEDICAL & MENTAL HEALTH CENTER 234 E 149 St 10451 3102 Hospital 362 Beds 36005 1005154.0 236853.0 40.816758 -73.924478 POINT (1005154.000 236853.000)

LATITUDE와 LONGITUDE 열을 사용하여 병원 위치를 시각화해보세요.

m_2 = folium.Map(location=[40.7, -74], zoom_start=11) 

for idx, row in hospitals.iterrows():
    Marker([row['latitude'], row['longitude']], popup = row['name']).add_to(m_2)
    
m_2 # embed_map(m_2, 'q_2.html')
Make this Notebook Trusted to load map: File -> Trust Notebook

3) 가장 가까운 병원이 10km 이상 떨어진 충돌 발생 시점은 언제였나요?

가장 가까운 병원에서 10km 이상 떨어진 곳에서 발생한 충돌이 있는 collisions의 모든 행을 포함하는 outside_range DataFrame을 생성합니다.

hospitals와 collisions DataFrame 모두 좌표 참조 시스템 (CRS)로 EPSG 2263을 사용하며, EPSG 2263는 미터 단위를 사용합니다.

buffer = gpd.GeoDataFrame(geometry = hospitals['geometry']).buffer(10000)
my_union = buffer.geometry.unary_union
outside_range = collisions.loc[~collisions['geometry'].apply(lambda x : my_union.contains(x))]
outside_range.head()
DATE TIME BOROUGH ZIP CODE LATITUDE LONGITUDE LOCATION ON STREET CROSS STRE OFF STREET ... CONTRIBU_2 CONTRIBU_3 CONTRIBU_4 UNIQUE KEY VEHICLE TY VEHICLE _1 VEHICLE _2 VEHICLE _3 VEHICLE _4 geometry
0 07/30/2019 0:00 BRONX 10464 40.841100 -73.784960 (40.8411, -73.78496) None None 121 PILOT STREET ... Unspecified None None 4180045 Sedan Station Wagon/Sport Utility Vehicle Station Wagon/Sport Utility Vehicle None None POINT (1043750.211 245785.815)
1 07/30/2019 0:10 QUEENS 11423 40.710827 -73.770660 (40.710827, -73.77066) JAMAICA AVENUE 188 STREET None ... None None None 4180007 Sedan Sedan None None None POINT (1047831.185 198333.171)
5 07/30/2019 10:50 QUEENS 11423 40.721060 -73.759450 (40.72106, -73.75945) FRANCIS LEWIS BOULEVARD HILLSIDE AVENUE None ... None None None 4179812 Sedan Box Truck None None None POINT (1050928.749 202069.687)
6 07/30/2019 10:55 QUEENS 11434 40.676228 -73.761120 (40.676228, -73.76112) CRANDALL AVENUE CHENEY STREET None ... None None None 4180464 Station Wagon/Sport Utility Vehicle Station Wagon/Sport Utility Vehicle None None None POINT (1050510.380 185734.852)
15 07/30/2019 13:05 None None 40.588413 -74.166725 (40.588413, -74.166725) None None 26 RICHMOND HILL ROAD ... None None None 4180091 Station Wagon/Sport Utility Vehicle Box Truck None None None POINT (937943.004 153695.210)

5 rows × 30 columns

다음 셀은 가장 가까운 병원에서 10km 이상 떨어진 곳에서 발생한 충돌의 비율을 계산합니다.

percentage = round(len(outside_range) / len(collisions) * 100, 2)
print('Percentage of collisions more than 10km away from the closest hospital : {}%'.format(percentage))
Percentage of collisions more than 10km away from the closest hospital : 15.12%

4) 추천하기

먼 곳에서 충돌 사고가 발생하면 부상자를 가장 가까운 병원으로 이송하는 것이 더욱 중요해집니다.

이를 염두에 두고, 다음과 같은 추천을 만들기로 결정합니다.

  • 충돌 위치(EPSG 2263)를 입력으로 받습니다.
  • 가장 가까운 병원을 찾습니다(거리 계산은 EPSG 2263으로 수행).
  • 가장 가까운 병원의 이름을 반환합니다.
def best_hospital(collision_location) :
    idx_min = hospitals['geometry'].distance(collision_location).idxmin()
    my_hospital = hospitals.iloc[idx_min]
    name = my_hospital['name']
    return name

print(best_hospital(outside_range['geometry'].iloc[0]))
CALVARY HOSPITAL INC

5) 가장 수요가 많은 병원은 어디일까요?

outside_range DataFrame의 충돌만 고려할 때, 가장 추천하는 병원은 어디일까요?

정답은 4) 에서 생성한 함수가 반환한 병원 이름과 정확히 일치해야합니다.

highest_demand = outside_range['geometry'].apply(best_hospital).value_counts().idxmax()
highest_demand
'JAMAICA HOSPITAL MEDICAL CENTER'

6) 시에서 새로운 병원을 어디에 건설해야 할까요?

다음 셀을 실행하여 가장 가까운 병원에서 10km 이상 떨어진 곳에서 발생한 충돌과 병원의 위치를 시각화해보세요.

m_6 = folium.Map(location = [40.7, -74], zoom_start = 11) 

coverage = gpd.GeoDataFrame(geometry = hospitals['geometry']).buffer(10000)
folium.GeoJson(coverage.geometry.to_crs(epsg = 4326)).add_to(m_6)
HeatMap(data = outside_range[['LATITUDE', 'LONGITUDE']], radius = 9).add_to(m_6)
folium.LatLngPopup().add_to(m_6)

m_6 # embed_map(m_6, 'm_6.html')
Make this Notebook Trusted to load map: File -> Trust Notebook

지도의 아무 곳이나 클릭하면 해당 위치가 위도와 경도로 표시된 팝업이 표시됩니다.

뉴욕 시에서 새로운 병원 두 곳의 입지를 결정하는데 도움을 요청하는 연락이 왔습니다. 특히 3) 단계에서 계산된 비율을 10% 미만으로 낮추기 위해 위치를 식별하는데 도움을 요청합니다.

지도를 사용하여(그리고 구역법이나 병원을 짓기 위해 특정 건물을 철거해야 하는지에 대해 걱정하지 않고) 이 목표를 달성하는데 도움이 될 두 곳의 위치를 찾을 수 있나요?

병원 1의 제안된 위도와 경도를 각각 lat_1, lon_1으로 할당하세요. (병원 2도 마찬가지입니다.)

그리고, 다음 셀을 실행하여 새로운 병원의 효과를 확인합니다. 두 개의 새 병원을 통해 백분율이 10% 미만이 되면 정답입니다.

lat_1, lon_1 = 40.6714, -73.8492
lat_2, lon_2 = 40.6702, -73.7612

new_df = pd.DataFrame(
    {'Latitude' : [lat_1, lat_2],
     'Longitude' : [lon_1, lon_2]})
new_gdf = gpd.GeoDataFrame(new_df, geometry = gpd.points_from_xy(new_df['Longitude'], new_df['Latitude']))
new_gdf.crs = {'init' : 'epsg:4326'}
new_gdf = new_gdf.to_crs(epsg = 2263)
new_coverage = gpd.GeoDataFrame(geometry = new_gdf.geometry).buffer(10000)
new_my_union = new_coverage.geometry.unary_union
new_outside_range = outside_range.loc[~outside_range['geometry'].apply(lambda x : new_my_union.contains(x))]
new_percentage = round(len(new_outside_range) / len(collisions) * 100, 2)
print('(NEW) Percentage of collisions more than 10km away from the closest hospital : {}%'.format(new_percentage))
m = folium.Map(location = [40.7, -74], zoom_start = 11) 
folium.GeoJson(coverage.geometry.to_crs(epsg = 4326)).add_to(m)
folium.GeoJson(new_coverage.geometry.to_crs(epsg = 4326)).add_to(m)
for idx, row in new_gdf.iterrows() :
    Marker([row['Latitude'], row['Longitude']]).add_to(m)
HeatMap(data = new_outside_range[['LATITUDE', 'LONGITUDE']], radius = 9).add_to(m)
folium.LatLngPopup().add_to(m)
display(m) # embed_map(m, 'q_6.html')
(NEW) Percentage of collisions more than 10km away from the closest hospital : 9.12%
Make this Notebook Trusted to load map: File -> Trust Notebook

축하합니다!

Geospatial Analysis 강좌를 완료하였습니다! 고생하셨습니다!

Have questions or comments? Visit the course discussion forum to chat with other learners.